
SPSS详细教程 | 配对样本的t检验
1、问题与数据
某研究使用克矽平治疗矽肺病患者10名,分别测得治疗前、后患者的血红蛋白含量(g/dL),数据如下。试问该药对矽肺患者的血红蛋白含量有无影响?
2、对数据结构的分析
整个数据资料涉及1组患者(共10名),每名患者有治疗前、后2个数据,采用自身前后对照设计,测量指标为血红蛋白含量,因此属于配对设计的定量资料。
要想知道克矽平对血红蛋白的含量有无影响,则要比较治疗前、后血红蛋白含量的差异是否有统计学意义。若2组数据服从正态分布的要求,可选用配对样本的t检验。
3、SPSS分析方法
(1)数据录入SPSS
(2)选择Analyze→Compare Means→Paired-Samples T Test
(3)选项设置
主对话框设置:分别把“before”和“after”变量放入Paired Variables框中的Variable1和Variable2(Pair 1)→OK
4、结果解读
Paired Samples Statistics表格给出了治疗前、后血红蛋白含量的部分统计信息,包括均数(Mean)、配对数(N)、标准差(Std. Deviation)和样本均数的标准误(Std. Error Mean)。
Paired Samples Correlations 表格给出了治疗前、后血红蛋白含量的相关系数(Correlation),为0.676,P(Sig.)=0.032,具有相关关系。
Paired Samples Test表格给出了统计检验的结果。Mean为治疗前、后血红蛋白差值的均数,Std. Deviation为差值的标准差,Std. Error Mean为差值均数的标准误,95% Confidence Internal of the Difference(Lower,Upper)为差值均数的95%可信区间。t=-0.531,P(Sig.(2-tailed))=0.609 >0.05,差异无统计学意义。
5、撰写结论
使用克矽平治疗前,矽肺患者的血红蛋白含量为(13.4±1.3)g/dL,治疗后的血红蛋白含量为(13.6±1.0)g/dL,尚不能认为克矽平对矽肺患者的血红蛋白含量有影响(t=-0.531,P=0.609)。
6、配对样本t检验的适用情况
(1)同一研究对象给予处理前、后比较;
(2)同一研究对象给予不同处理比较;
(3)不同研究对象配对后,随机接受不同处理比较。
7、延伸阅读
本研究拟分析克矽平对血红蛋白含量的影响,实质上是将治疗前、后血红蛋白的差值作为分析指标,判断差值的总体均数是否为零,即分析差值与0相比是否有统计学意义。如果差异具有统计学意义,则表示血红蛋白含量有变化。因此,在SPSS软件中我们也可以生成一个治疗前、后血红蛋白的差值变量(dif=after-before),进行单样本均数的t检验(总体均数为0)。
结果如下:t=0.531,P=0.609 >0.05,尚不能认为克矽平对矽肺患者的血红蛋白含量有影响,与配对t检验结果一致。(t值相差一个负号是由于二者的差值计算公式刚好相反,如果配对t检验中,Paired Variables框先放“after”,再放“before”,则t值结果相等)
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
MySQL执行计划中rows的计算逻辑:从原理到实践 MySQL 执行计划中 rows 的计算逻辑:从原理到实践 在 MySQL 数据库的查询优化中 ...
2025-07-29左偏态分布转正态分布:方法、原理与实践 左偏态分布转正态分布:方法、原理与实践 在统计分析、数据建模和科学研究中,正态分 ...
2025-07-29CDA 数据分析师的职业生涯规划:从入门到卓越的成长之路 在数字经济蓬勃发展的当下,数据已成为企业核心竞争力的重要来源,而 CD ...
2025-07-29CDA数据分析师证书考取全攻略 一、了解 CDA 数据分析师认证 CDA 数据分析师认证是一套科学化、专业化、国际化的人才考核标准, ...
2025-07-29解析神经网络中 Softmax 函数的核心作用 在神经网络的发展历程中,激活函数扮演着至关重要的角色,它们为网络赋予了非线性能力, ...
2025-07-29解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-07-29鸢尾花判别分析:机器学习中的经典实践案例 在机器学习的世界里,有一个经典的数据集如同引路明灯,为无数初学者打开了模式识别 ...
2025-07-29用 Python 开启数据分析之旅:从基础到实践的完整指南 在数据驱动决策的时代,数据分析已成为各行业不可或缺的核心能力。而 Pyt ...
2025-07-29从 CDA LEVEL II 考试题型看 Python 数据分析要点 在数据科学领域蓬勃发展的当下,CDA(Certified Data Analyst)认证成为众多从 ...
2025-07-29CDA 数据分析师的工作范围解析 在数字化时代的浪潮下,数据已成为企业发展的核心资产之一。CDA(Certified Data Analyst)数据分 ...
2025-07-29解析 insert into select 是否会锁表:原理、场景与应对策略 在数据库操作中,insert into select 是一种常用的批量数据插入语句 ...
2025-07-29用 Power BI 制作地图热力图:基于经纬度数据的实践指南 在数据可视化领域,地图热力图凭借直观呈现地理数据分布密度的优势,成 ...
2025-07-29从数据到决策:CDA 数据分析师如何重塑职场竞争力与行业价值 在数字经济席卷全球的今天,数据已从 “辅助工具” 升级为 “核心资 ...
2025-07-292025 年 CDA 数据分析师考纲焕新,引领行业人才新标准 在数字化浪潮奔涌向前的当下,数据已成为驱动各行业发展的核心要素。作为 ...
2025-07-29PyTorch 核心机制:损失函数与反向传播如何驱动模型进化 在深度学习的世界里,模型从 “一无所知” 到 “精准预测” 的蜕变,离 ...
2025-07-29t 检验与 Wilcoxon 检验:数据差异分析的两大核心方法 在数据分析的广阔领域中,判断两组或多组数据之间是否存在显著差异是一项 ...
2025-07-29PowerBI 添加索引列全攻略 在使用 PowerBI 进行数据处理与分析时,添加索引列是一项极为实用的操作技巧。索引列能为数据表中的每 ...
2025-07-29CDA 数据分析师必备技能全解析 在数据驱动决策的时代,CDA 数据分析师作为连接数据与业务价值的桥梁,需要具备多元化的技能体系 ...
2025-07-29解析 LSTM 训练后输出不确定:成因与破解之道 在深度学习处理序列数据的领域,长短期记忆网络(LSTM)凭借其捕捉长距离依赖关系 ...
2025-07-29χ² 检验与 t 检验:数据差异分析的两大核心工具 在统计学的方法论体系中,假设检验是验证数据规律、判断差异显著性的核心手段 ...
2025-07-29